统计机器学习

统计学习是关于计算机基于数据构建的概率统计模型并运用模型对数据进行预测和分析的一门科学，统计学习也成为统计机器学习。

• 课时1：概率基础 (42分55秒)

• 课时2：随机变量1 (42分21秒)

• 课时3：随机变量2 (44分28秒)

• 课时4：高斯分布 (41分39秒)

• 课时5：高斯分布例子 (42分32秒)

• 课时6：连续分布 (38分58秒)

• 课时7：jeffrey prior (40分44秒)

• 课时8：scale mixture pisribarin (41分48秒)

• 课时9：statistic interence (35分57秒)

• 课时10：Laplace 变换 (45分17秒)

• 课时11：多元分布定义 (35分18秒)

• 课时12：概率变换 (34分31秒)

• 课时13：Jacobian (34分2秒)

• 课时14：Wedge production (34分32秒)

• 课时15：Wishart 分布 (38分31秒)

• 课时16：多元正态分布 (38分39秒)

• 课时17：统计量 (37分44秒)

• 课时18：矩阵元Beta分布 (14分36秒)

• 课时19：共轭先验性质 (21分15秒)

• 课时20：统计量 充分统计量 (40分9秒)

• 课时21：指数值分布 (37分15秒)

• 课时22：Entropy (42分37秒)

• 课时23：KL distance (37分43秒)

• 课时24：Properties (23分59秒)

• 课时25：概率不等式1 (42分54秒)

• 课时26：概率不等式2 (36分3秒)

• 课时27：概率不等式1 (39分20秒)

• 课时28：概率不等式2 (34分59秒)

• 课时29：概率不等式3 (35分45秒)

• 课时30：John 引理 (27分44秒)

• 课时31：概率不等式 (38分18秒)

• 课时32：随机投影 (37分20秒)

• 课时33：Stochastic Convergence-概念 (42分54秒)

• 课时34：Stochastic Convergence-性质 (27分41秒)

• 课时35：Stochastic Convergence-应用 (24分4秒)

• 课时36：EM算法1 (43分44秒)

• 课时37：EM算法2 (39分23秒)

• 课时38：EM算法3 (27分3秒)

• 课时39：Bayesian Classification (38分20秒)

• 课时40：Markov Chain Monte carlo1 (44分20秒)

• 课时41：Markov Chain Monte carlo2 (20分2秒)